En benzer ürünü bulma
Gömme vektörleri arasındaki benzerliği hesaplayabilmek, embeddings uygulamalarında kritik bir adımdır. Bu egzersizde, daha önce çalıştığın ve senin oluşturduğun kısa açıklamaların gömülmüş hallerini içeren products sözlük listesine geri döneceksin.
Bir metin parçasını bu gömülü açıklamalarla karşılaştırarak en benzer açıklamayı belirleyeceksin.
numpy np olarak içe aktarıldı ve distance, scipy.spatial içinden hazır. Tek bir girdiden embedding oluşturmak için kullanabileceğin bir create_embeddings() fonksiyonu senin için zaten tanımlandı ve kullanılabilir.
Bu egzersiz, kursun bir parçasıdır
OpenAI API ile Embeddings’e Giriş
Egzersiz talimatları
create_embeddings()özel fonksiyonunu kullanarak"soap"metnini göm ve tek bir embedding listesi çıkar.query_embeddingileproductiçindeki embedding'ler arasında kosinüs uzaklığını hesapla.distancesiçindeki kosinüs uzaklıklarını kullanarak arama metnine en benzer ürünün'short_description'alanını bul ve yazdır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Embed the search text
search_text = "soap"
search_embedding = ____
distances = []
for product in products:
# Compute the cosine distance for each product description
dist = ____(search_embedding, ____)
distances.append(dist)
# Find and print the most similar product short_description
min_dist_ind = ____
print(____)